Response Surface Methodology and Artificial Neural Network Methods Comparative Assessment for Fuel Rich and Fuel Lean Catalytic Combustion

Modeling, predictive and generalization capabilities of response surface methodology (RSM) and artificial neural network (ANN) have been performed to assess the thermal structure of the experimentally studied catalytic combustion of stabilized confined turbulent gaseous diffusion flames. The Pt/γAl2O3 and Pd/γAl2O3 disc burners were located in the combustion domain and the experiments were accomplished under both fuel-rich and fuel-lean conditions at a modified equivalence (fuel/air) ratio (ø) of 0.75 and 0.25, respectively. The thermal structure of these catalytic flames developed over the Pt and Pd disc burners was scrutinized via measuring the mean temperature profiles in the radial direction at different discrete axial locations along with the flames. The RSM and ANN methods investigated the effect of the two operating parameters namely (r), the radial distance from the center line of the flame, and (x), axial distance along with the flame over the disc, on the measured temperature of the flames and predicted the corresponding temperatures beside predicting the maximum temperature and the corresponding input process variables. A three-layered Feed Forward Neural Network was developed in conjugation with the hyperbolic tangent sigmoid (tansig) transfer function and an optimized topology of 2:10:1 (input neurons:hidden neurons:output neurons). Also the ANN method has been exploited to illustrate the effects of coded R and X input variables on the response in the three and two dimensions and to locate the predicted maximum temperature. The results indicated the superiority of ANN in the prediction capability as the ranges of & F_Ratio are 0.9181 - 0.9809 & 634.5 - 3528.8 for RSM method compared to 0.9857 - 0.9951 & 7636.4 - 24,028.4 for ANN method beside lower values for error analysis terms.

基于多尺度与注意力机制的图像隐写分析

针对目前隐写分析算法对图像复杂纹理区域特征表征能力较弱的问题,提出一种基于多尺度特征融合和注意力机制的隐写分析模型。该模型首先使用空域富模型滤波器对输入图像进行预处理,提取噪声成分残差,降低图像本身内容的影响;其次使用多尺度并行网络提取信号,增强对细微特征的学习;然后引入注意力机制对特征进行自适应加权,强调重要通道特征在分类中的作用,同时抑制非重要通道特征对分类的影响;最后提出一种协方差池化对深度神经网络学习后的各特征之间的相关性进行建模,并选取牛顿迭代法求解平方根矩阵,使网络训练更加高效。实验结果表明:在小波权重隐写算法0.5 bit/像素嵌入率的条件下,所提模型准确率达到了88.6%,证明了所提方法的有效性。

一种遵循RichClub现象的网络拓扑模型

基于现有的AS网络拓扑生成模型,本文提出了一个遵循 Rich Club现象的新网络拓扑模型。该模型不仅保正反映AS网络的基本性质,还能满足AS网络所有的特性Rich Club现象。仿真结果表明,本文的模型和算法是有效的。

基于双流CNN的帧内取证深度学习算法研究

针对视频被动取证领域中视频内容真实性鉴定问题,提出了一个基于双流CNN帧内取证网络深度学习检测算法。根据视频在遭受篡改过程中必定会在视频帧上留下相应的篡改痕迹,利用两个CNN对输入视频帧进行特征提取,其中一个CNN借助隐写分析的思想,使用空域富模型对输入视频帧进行噪声残差提取,使网络专注于篡改痕迹特征的提取,另一个CNN基于篡改操作会使视频帧内容产生大幅变化,通过对输入视频帧的内容进行特征提取,从而监测视频帧内容的变化幅度,有效预测视频帧被篡改的概率。通过合并两个CNN所提取到的特征,并使用通道注意力机制调整两部分特征的通道权重,使得提出的帧内取证网络既能对视频帧的篡改特征进行有效地学习,又能通过内容特征对视频中每一帧的变化幅度进行监测,从而有效提高篡改检测的正确率。利用训练得到的深度学习模型来对输入视频进行篡改判定。实验结果表明,提出的帧内取证算法对不同场景下的复制粘贴类帧内篡改有着较高的识别正确率,达到99.08%,在FACC,F1-Score,篡改精确率等评估指标优于其它的视频取证算法。

DDAC:面向卷积神经网络图像隐写分析模型的特征提取方法

针对基于卷积神经网络的图像隐写分析方法中使用人工设计的滤波器在特征提取过程中有效性低的问题,提出方向差分自适应组合(DDAC)特征提取方法。在计算中心像素与周围不同方向像素的差分后,使用1×1卷积对方向差分进行线性组合。根据损失对组合参数自适应更新来构建多样化的滤波器,使获取的嵌入信息残差特征更有效。使用截断线性单元提高嵌入信息残差和图像信息残差的比率,加快模型收敛速度并提高残差特征提取能力。实验结果表明,该方法使Ye-net、Yedroudj-net模型的准确率在WOW和S-UNIWARD数据集中提高1.30%~8.21%。与固定和更新参数SRM滤波器方法相比,测试模型在不同隐写数据集中的准确率提高0.60%~20.72%,并且训练过程更稳定。对比其他图像隐写分析模型,DDAC-net具有更高的隐写分析效率。

基于富网络属性路网模型配送问题研究及仿真

为解决多仓库对多客户点进行配送以及在配送过程中车辆调度决策者面对道路突发状况的应急问题,采用组合优化算法对配送提供最短路径和最短时间两种决策模式进行研究.首先建立GIS富网络模型,包含道路等级权值,同时根据不同等级建立不同行车速度,求得相应的距离最短和时间最短OD矩阵;其次借鉴系统生物学中进化树分类的思想,对目标节点动态回溯分类,有效降低客户点数目,实现多仓库货存量协调优化;再次,建立配送模型,将非线性问题转化为线性问题,进而,采用线性规划计算得到配送方案.最后,结合杭州市卷烟配送实例验证了算法的有效性.

带有时间窗口的富网络配送问题研究及仿真

通过建立GIS富网络路网属性模型,并组合N阶最短近邻自适应聚类算法和遗传算法,来解决不确定车辆数目、较大规模网点和多层次交通网络的带时间窗口的联合配送问题。首先,为了解决传统带有时间窗口车辆线路调度模型中配送网点规模小(不超过20个网点)的问题,以及在建模时将各网点抽象为图的顶点的缺陷,建立基于实际道路数据的网络数据集,采用GIS技术精确计算各网点之间的距离,并建立距离OD矩阵;然后,为了降低对较大规模网点配送算法设计的复杂度,采用N阶最短近邻自适应算法确定聚类簇数,再通过聚类数划分配送网点。其次,为了确定配送车辆的种类、车辆数目以及时间窗口的限制,利用遗传算法对配送线路进行优化。最后,通过2个实例验证了所提方法的有效性。

网络拓扑模型述评

网络拓扑模型广泛地应用于网络研究中。简单概述了网络拓扑模型的相关度量及常见的网络拓扑模型,重点综述了从真实网络中总结的幂法则及相应的模型,并描述了最近发现的RichClub现象及其模型。最后剖析了该领域当前存在的问题,展望了今后的发展方向。

社交网络中对立影响最大化算法

已有社交网络影响力传播的研究工作主要关注单源信息传播情形,较少考虑对立的传播形式。针对对立影响最大化问题,扩展热量传播模型为多源热量传播模型,并提出一种预选式贪心近似(PSGA)算法。为验证算法有效性,选取7种具有代表性的种子挖掘方法,以对立影响最大化传播收益、算法运行时间及种子的富集程度为评价指标,在不同种类社会网络数据集上开展实验。结果表明,PSGA算法所选的种子传播能力更强,且密集程度低、表现稳定,在传播初期占据优势,可以认为PSGA算法能够解决对立影响最大化问题。

面向图像篡改取证的多特征融合U形深度网络

随着图像篡改工具的智能化发展,图像篡改不再局限于拼接、移除等某一具体的类型,往往包含多种篡改类型及其组合操作,使得图像篡改取证工作更具挑战性。提出一种端到端的多特征融合U形深度网络,利用编解码网络提取篡改区域与真实区域之间的对比度差异、边缘差异等篡改痕迹,并使用富隐写模型卷积层获取伪造图像的噪声分布不规律信息,从而在无预处理的情况下实现可疑区域的检测并分割出高置信度的篡改区域。在此基础上,使用特征提取模块获取融合的篡改特征,在融合定位模块中利用分级监督策略融合不同分辨率提取的篡改特征,以准确定位篡改区域,实现篡改区域检测与像素级的分割。实验结果表明,基于所提网络的图像篡改取证方法在NIST16和CASIA数据库上的F1值分别为0.841和0.605,与基于MFCN、RGB-N、MANTRA-net等网络的图像篡改取证方法相比,有较优的检测性能和较高的实时性,且对JPEG压缩、缩放等处理具有更强的鲁棒性。

不同富氧条件下对苯二甲酸产品b值预测与调控

对苯二甲酸(PTA)装置在不同富氧条件下生产,反应器尾气氧浓度、含水量、反应温度、催化剂以及反应器负荷对PTA产品b值均有影响,存在较复杂的关系。通过分析对苯二甲酸氧化过程中有色杂质生成机理,建立了产品b值与不同操作参数之间的定量神经元模型,评估了不同富氧状态下各工艺参数对b值的影响规律,预测b值大小,提出不同富氧条件下的b值调整策略。

基于富人俱乐部特性的搜索免疫

为了使用更少的免疫数量且能更快地消灭病毒,已经提出了很多种免疫策略。熟人免疫策略是局域免疫中最有效的方法。基于BA无标度网络的富人俱乐部特性和广度搜索策略,提出了基于富人俱乐部特性的搜索免疫(RPBSI)。该免疫算法有两种策略,这两种策略对邻居节点的搜索方法不同,免疫的代价也有所差异。实验采用SIS病毒传播模型分别在BA无标度网络和科研合作网中验证:RPBSI算法与熟人免疫算法相比可以通过免疫较小的一部分节点达到消灭病毒的目的。

BP神经网络在富钾卤水中的应用研究

富钾卤水是一种重要的液态钾盐资源,是四川盆地主要的找钾方向之一。川东地区三叠纪地层内与含盐系相邻的碳酸盐岩储层卤水矿化度极高,卤水资源丰富,开采潜力巨大,是我国目前钾盐勘探研究的重点区域。针对常规测井解释方法识别卤水层速度慢、准确率不高等特点,提出建立BP神经网络模型开展富钾卤水层的识别与划分。以BP神经网络理论和测井解释原理为基础,对卤水层识别影响最大的测井曲线值作为输入,建立BP神经网络模型,开展深层卤水层和富钾卤水层的识别和划分,并用准确的录井结果验证模型性能。测试发现,模型识别卤水的准确率为85.7%;改进的富钾卤水模型识别准确率为89.1%。结果表明,BP神经网络技术在四川盆地钾盐的勘探开发过程中具有广阔的应用前景。